·358· 智能系统学报 第16卷 最后以线性方式计算得到推荐列表；5)AttRec利 0.80 □BPR 用自注意力机制在分析用户短期反馈数据之间的 0.75 □FOSSIL 相互依赖的同时，动态提取了用户的短期偏好； □HRM 0.70 □FPMC 6)SHAN利用注意力机制对长期和短期反馈数据 □AttRec 0.65 建模，准确表达了用户的长期/一般偏好；7)LS$ ■SHAN ■LSSSAN SAN是本文的模型，利用自注意力机制和上下文 估计长期/一般偏好，利用GU分析短期反馈数 0.55 据表现出的序列性偏好，并综合长期/一般偏好和 0.50 短期反馈数据序列参与注意力机制加权得到用户 0.45 的综合偏好；8)LSSSAN1和LSSSAN2为本模型 消融实验的对照，LSSSAN1表示LSSSAN模型消 0.40 不同方法 去自注意力层后的模型（同时将长期反馈数据接 (a)Tmall上的AUc 入注意力层，自注意力层的上下文向量接入注意 1.00 □BPR 力层)，LSSSAN2表示消去GRU层的模型。 □FOSSIL 0.95 3.2方法对比 □HRM 图4和图5展示了以召回率(N为10~60)和 □FPMC 0.90 ☐AttRec AUC为评价指标，各方法在Tmall数据集和 ■SHAN Gowalla数据集上的表现。 05 ■LSSSAN 0.25r BPR +FPMC 0.80 FOSSIL◆AttRec 0.20 ◆HRM ◆SHAN 0.75 -LSSSAN 0.15 0.70 阳 不同方法 (b)Gowalla上的AUC 0.10 图5各方法在Tmall和Gowalla数据集上表现的对比 Fig.5 Performancecomparsion of methods on Tmall and 0.05 Gowalla datasets I)LSSSAN在整体上优于基于自注意力的 20 30 40 50 60 AttRec模型，LSSSAN在Tmall数据集上召回率 (a)Tmall上的召回率 (WN为20)和AUC分别为0.126、0.797，在Gowalla 0.8 上两个指标分别为0.461、0.982。相比AttRec模 BPR +FPMC 0.7 FOSSIL◆AttRec 型，LSSSAN在两个数据集上指标召回率(N为 ◆HRM SHAN 0.6 -LSSSAN 20)分别提升了6.07%和20.49%，在两个数据集 上AUC指标分别提升了10.45%和0.81%。表明 解0.5 相比AttRec模型固定表达用户的长期/一般偏好 0.4 忽视序列性偏好，LSSSAN的Self-Attenion层从长 0.3 期反馈数据中提取了用户的长期/一般偏好、 0.2 GRU层从短期反馈数据中提取了用户的序列性 0.1 偏好、并从结构上赋予了短期反馈更高的权重， 对推荐结果更有利。 0 0 20 30 40.5060 2)LSSSAN在Gowalla数据集上的表现整体 (b)Gowalla上的召回率 优于SHAN模型，在Tmall数据集上的表现与 SHAN模型相比各有优劣。LSSSAN在Gowalla 图4各方法在Tmall和Gowalla数据集上表现的对比 Fig.4 Performance comparsion of methods on Tmall and 数据集上指标召回率(N为20)和AUC分别提升 Gowalla datasets 了1.51%和0.37%，在Tmall数据集上指标AUC最后以线性方式计算得到推荐列表；5) AttRec 利 用自注意力机制在分析用户短期反馈数据之间的 相互依赖的同时，动态提取了用户的短期偏好； 6) SHAN 利用注意力机制对长期和短期反馈数据 建模，准确表达了用户的长期/一般偏好；7) LSS￾SAN 是本文的模型，利用自注意力机制和上下文 估计长期/一般偏好，利用 GRU 分析短期反馈数 据表现出的序列性偏好，并综合长期/一般偏好和 短期反馈数据序列参与注意力机制加权得到用户 的综合偏好；8) LSSSAN1 和 LSSSAN2 为本模型 消融实验的对照，LSSSAN1 表示 LSSSAN 模型消 去自注意力层后的模型 (同时将长期反馈数据接 入注意力层，自注意力层的上下文向量接入注意 力层)，LSSSAN2 表示消去 GRU 层的模型。 3.2 方法对比 图 4 和图 5 展示了以召回率 (N 为 10~60) 和 AUC 为评价指标，各方法 在 Tmall 数据集 和 Gowalla 数据集上的表现。 BPR FOSSIL HRM FPMC AttRec SHAN LSSSAN BPR FOSSIL HRM FPMC AttRec SHAN LSSSAN 0.25 0.20 0.15 0.10 0.05 0 召回率 召回率 10 20 30 40 50 60 N 10 20 30 40 50 60 N (a) Tmall 上的召回率 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 (b) Gowalla 上的召回率 图 4 各方法在 Tmall 和 Gowalla 数据集上表现的对比 Fig. 4 Performance comparsion of methods on Tmall and Gowalla datasets 0.80 0.75 0.70 0.65 0.60 0.55 0.50 0.45 0.40 AUC 0.95 1.00 0.90 0.85 0.80 0.75 0.70 AUC BPR FOSSIL HRM FPMC AttRec SHAN LSSSAN BPR FOSSIL HRM FPMC AttRec SHAN LSSSAN 不同方法 (a) Tmall 上的 AUC 不同方法 (b) Gowalla 上的 AUC 图 5 各方法在 Tmall 和 Gowalla 数据集上表现的对比 Fig. 5 Performancecomparsion of methods on Tmall and Gowalla datasets 1) LSSSAN 在整体上优于基于自注意力的 AttRec 模型，LSSSAN 在 Tmall 数据集上召回率 (N 为 20) 和 AUC 分别为 0.126、0.797，在 Gowalla 上两个指标分别为 0.461、0.982。相比 AttRec 模 型 ，LSSSAN 在两个数据集上指标召回率 (N 为 20) 分别提升了 6.07% 和 20.49%，在两个数据集 上 AUC 指标分别提升了 10.45% 和 0.81%。表明 相比 AttRec 模型固定表达用户的长期/一般偏好、 忽视序列性偏好，LSSSAN 的 Self-Attenion 层从长 期反馈数据中提取了用户的长期 /一般偏好、 GRU 层从短期反馈数据中提取了用户的序列性 偏好、并从结构上赋予了短期反馈更高的权重， 对推荐结果更有利。 2) LSSSAN 在 Gowalla 数据集上的表现整体 优于 SHAN 模型，在 Tmall 数据集上的表现与 SHAN 模型相比各有优劣。LSSSAN 在 Gowalla 数据集上指标召回率 (N 为 20) 和 AUC 分别提升 了 1.51% 和 0.37%，在 Tmall 数据集上指标 AUC ·358· 智 能 系 统 学 报 第 16 卷